AI medis lintas rumah sakit tanpa memindahkan data pasien

Rumah sakit memerlukan data dari banyak populasi agar model AI medis tidak hanya mengenali pola di satu institusi. Pemindahan rekam pasien ke satu pusat menambah persoalan hukum, keamanan, dan kendali akses. Pembelajaran terfederasi (federated learning) menawarkan susunan lain: data tetap di rumah sakit, sedangkan model berpindah untuk dilatih. Server pusat kemudian menggabungkan pembaruan model dari seluruh peserta.

Model belajar di tempat data disimpan

McMahan dan rekan-rekannya menjelaskan pada 2017 bahwa model bersama bisa dipelajari dengan mengagregasi pembaruan yang dihitung secara lokal. Setiap peserta menerima salinan model global, melatihnya memakai data sendiri, lalu mengirim perubahan parameter. Data pelatihan tidak diunggah ke server pusat. Proses itu berulang sampai model mencapai sasaran pelatihan.

Susunan tersebut berbeda dari pelatihan terpusat. Dalam skema terpusat, salinan data dari seluruh rumah sakit dikumpulkan dalam satu lingkungan komputasi. Pada pembelajaran terfederasi, pusat menerima hasil perhitungan lokal, bukan berkas rekam pasien. Pengelola tetap perlu menentukan siapa yang boleh ikut, pembaruan mana yang diterima, dan bagaimana model diaudit.

Data kesehatan berada dalam perlindungan khusus di Indonesia

UU No. 27 Tahun 2022 tentang Pelindungan Data Pribadi menggolongkan informasi kesehatan, biometrik, dan genetika sebagai data pribadi spesifik. Undang-undang itu juga mengatur dasar pemrosesan, hak subjek data, serta kewajiban pengendali dan prosesor. Karena itu, lokasi penyimpanan bukan satu-satunya ukuran kepatuhan. Pelatihan lokal tetap termasuk pemrosesan data dan membutuhkan tata kelola yang sah.

Pembelajaran terfederasi mengurangi kebutuhan menyalin data mentah ke luar rumah sakit, tetapi tidak menggantikan aturan perlindungan data. Persetujuan, pembatasan tujuan, keamanan sistem, dan pembagian tanggung jawab tetap harus ditetapkan. Rumah sakit juga perlu mengendalikan akses pengembang terhadap lingkungan pelatihan. Keputusan klinis berbasis model memerlukan jalur validasi yang terpisah dari arsitektur penyimpanan data.

Bukti konsep tersedia, implementasi Indonesia belum setara

Studi dalam Nature Medicine melatih model untuk memprediksi respons histologis kanker payudara triple-negatif dengan data dari empat pusat kanker Prancis. Data pasien tetap terlindungi di balik sistem tiap rumah sakit. Model kolaboratif meningkatkan kinerja dibandingkan model lokal dalam studi tersebut. Para penulis menyebut hasilnya sebagai bukti konsep, bukan standar layanan klinis.

Di Indonesia, pembahasan sudah muncul dalam lingkungan Kementerian Kesehatan (Kemenkes). Analisis Badan Kebijakan Pembangunan Kesehatan pada 26 Mei 2026 mengusulkan federated learning untuk pemrosesan AI tanpa pengiriman data mentah. Tulisan itu juga menyebut aturan teknis khusus untuk AI medis yang terus belajar masih belum tersedia. Dokumen tersebut adalah analisis kebijakan, bukan pengumuman jaringan nasional yang sudah beroperasi.

Sampai artikel ini disusun, kami belum menemukan dokumen resmi yang membuktikan pengoperasian jaringan pembelajaran terfederasi medis berskala nasional di Indonesia. Informasi publik yang tersedia lebih banyak membahas rancangan, peluang riset, dan kebutuhan regulasi. Tidak ada dasar untuk menyebut rumah sakit tertentu telah masuk ke konsorsium nasional. Kesenjangan ini membatasi perbandingan langsung dengan proyek lintas rumah sakit di negara lain.

Data tidak berpindah bukan berarti risiko hilang

National Institute of Standards and Technology (NIST) menjelaskan bahwa pembaruan model bisa dipakai untuk merekonstruksi sebagian data pelatihan. Serangan lain menargetkan model yang telah selesai dilatih. Artinya, kerahasiaan berkas mentah tidak otomatis menjamin kerahasiaan informasi yang dipelajari model. Pengamanan perlu mencakup seluruh siklus pelatihan dan penggunaan.

NIST menyebut agregasi aman sebagai salah satu cara agar server hanya melihat gabungan pembaruan, bukan kiriman tiap peserta. Pilihan lain mencakup enkripsi homomorfik dan lingkungan eksekusi tepercaya. Masing-masing membawa kebutuhan infrastruktur, pengelolaan kunci, dan asumsi kepercayaan tersendiri. Federasi tanpa lapisan tersebut masih membuka pembaruan individual kepada agregator.

Privasi diferensial menambah derau terukur agar model lebih sulit mengingat contoh individual. NIST mencatat bahwa derau bisa menurunkan akurasi dan perlindungan yang lebih kuat biasanya memperbesar kompromi antara privasi dan kegunaan. Dampaknya perlu diuji pada kelompok pasien yang jumlahnya kecil. Perlindungan rata-rata tidak cukup bila model gagal pada kelompok yang jarang terwakili.

Perbedaan rumah sakit memengaruhi hasil model

Komposisi pasien, alat pencitraan, protokol pemeriksaan, dan cara pencatatan tidak seragam antar-rumah sakit. Kondisi ini disebut distribusi non-IID, yaitu data tiap peserta tidak berasal dari pola statistik yang sama. Model global bisa bekerja baik secara keseluruhan tetapi lebih lemah pada satu lokasi. Evaluasi karena itu harus memisahkan hasil menurut rumah sakit dan kelompok pasien.

Masalah tata kelola muncul ketika model merugikan satu peserta atau menerima pembaruan yang buruk. Konsorsium perlu menetapkan penanggung jawab audit, kriteria penghentian, dan prosedur saat anggota keluar. Riwayat versi model serta asal pembaruan juga harus bisa ditelusuri. Arsitektur teknis tidak menjawab pembagian tanggung jawab hukum dengan sendirinya.

Pembelajaran terfederasi memberi rumah sakit pilihan untuk berkolaborasi tanpa membuat gudang data mentah bersama. Nilainya bergantung pada pengamanan pembaruan, kualitas data lokal, validasi di tiap institusi, dan aturan konsorsium. Di Indonesia, UU PDP menyediakan landasan umum untuk data kesehatan. Bukti implementasi nasional dan aturan teknis khusus masih perlu ditunjukkan lewat dokumen resmi.